(19)中华 人民共和国 国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202111567123.X
(22)申请日 2021.12.20
(71)申请人 广州汇锦能效科技有限公司
地址 511455 广东省广州市南沙区黄阁镇
望江二街5号2316房
(72)发明人 谭福太 谢方静 余昭胜 林海
陈庆文 张渊晟 马晓茜
(74)专利代理 机构 广州粤高专利商标代理有限
公司 44102
代理人 禹小明
(51)Int.Cl.
G06Q 10/04(2012.01)
G06Q 10/10(2012.01)
G06Q 50/06(2012.01)
G06N 3/00(2006.01)G06N 3/08(2006.01)
G01D 21/02(2006.01)
(54)发明名称
基于人工智能技术的校园能效与电气安全
管理方法和系统
(57)摘要
本发明公开了一种基于人工智能技术的校
园能效与电气安全管理方法和系统, 方法包括以
下步骤: S1: 采集前端实时用能数据和环境信息;
S2: 将步骤S1采集的前端实时用能数据和环境信
息与历史用能数据进行分类存储; S3: 根据所述
实时用能数据, 建立BP神经网络模型, 并采用粒
子群算法优化所述BP神经网络模型来进行校园
能源用量的预测, 根据所述校园能源用量的预
测, 得到能源浪费位置和原因; S4: 根据能源浪费
位置找到对应的耗能设备, 自动化控制耗能设备
的工作状态。 本发明为学校管 理部门提供能源动
态监控信息和能耗数据分析和信息发布、 设备节
能分析、 电力安全防范等智慧化能源管理技 术。
权利要求书4页 说明书9页 附图3页
CN 114239972 A
2022.03.25
CN 114239972 A
1.一种基于人工智能技术的校园能效与电气安全管理方法, 其特征在于, 包括以下步
骤:
S1: 采集前端实时用能数据和环境信息;
S2: 将步骤S1采集的前端实时用能数据和环境信息与历史用能数据进行分类存 储;
S3: 根据所述实时用能数据, 建立BP神经网络模型, 并采用粒子群算法优化所述BP神经
网络模型来进行校园能源用量的预测, 根据所述校园能源用量的预测, 得到能源浪费位置
和原因;
S4: 根据能源浪费位置找到对应的耗能设备, 自动化控制耗能设备的工作状态。
2.根据权利要求1所述的基于人工智能技术的校园能效与电气安全管理方法, 其特征
在于, 步骤S1中采集前端实时用能数据和环境信息, 具体包括:
用电量、 太阳辐射值、 太阳能用能、 风速、 风能用能、 用水量、 天然气用量、 直接供热量、
室内温度、 万历表、 人 数和水泵用电量。
3.根据权利要求2所述的基于人工智能技术的校园能效与电气安全管理方法, 其特征
在于, 步骤S3中建立BP神经网络模型, 具体包括以下步骤:
S201: 设置 输入神经 元, 输出神经 元和隐含层神经 元;
S202: 设置最大训练步数、 学习率和停止训练参数;
S203: 将样本数据进行归一 化映射到(0,1)之间;
S204: BP神经网络模型的输出 再进行反归一 化处理;
S205: 利用用电量、 太阳辐射值、 风速、 用水量、 天然气用量、 直接供热量、 室内温度、 万
历表、 人数和水泵用电量作为输入数据, 用电量、 太阳能用能、 风能用能、 天然气用量、 直接
供热量、 用水量和水泵用电量作为输出 数据训练所述BP神经网络模型;
S206: 当误差小于所述停止训练参数时, 训练结束, 得到初步训练好的BP神经网络模
型。
4.根据权利要求3所述的基于人工智能技术的校园能效与电气安全管理方法, 其特征
在于, 步骤S3中采用粒子群算法优化所述BP神经网络模型, 具体包括以下步骤:
S211: 初始化粒子群算法的最大迭代次数k、 粒子个数m、 惯性权 重ω、 学习因子 c1和c2;
S212: 确定粒子的位置和速度的变化范围, 若超出这个范围D则设置为边界值, 并随机
选取每个粒子的初始位置和速度;
S213: 将所述BP神经网路模型的预测误差作为粒子群的适应度函数, 计算并比较粒子
的适应度值, 找到粒子的最优位置;
S214: 在每一 次迭代过程中, 粒子目前所找到的最优解Pi=(Pi1,Pi2,…,PiD),整个种群
目前所找到的最优解为Ps=(Ps1,Ps2,…,PsD),, 每个粒子通过这两最优解来更新自己的速
度和位置, 相应的进化方程 为
vk+1=ωvk+c1r1(Pi‑present)+c2r2(Pg‑present)
Pk+1=Pk+vk+1
式中, vk+1、 vk分别为第k次迭代时粒子的速度, Pk+1、 Pk分别为第k次迭代时粒子的位置,
present表示粒子当前 所处位置, r1、 r2为[0, 1]范围内产生的随机数;
S215: 当超过最大迭代次数k时停止运行; 在预设的迭代次数内搜索到最优的网络连接
权值, 对BP神经网络模型进行优化。权 利 要 求 书 1/4 页
2
CN 114239972 A
25.根据权利要求4所述的基于人工智能技术的校园能效与电气安全管理方法, 其特征
在于, 步骤S3还包括建立预测误差估计模型, 当校园能源用量的预测的误差在允许范围内
时, 将当前校园能源消 耗情况与校园能源消 耗最低的工作模式对比形成能源成本报表, 得
到能源浪费位置和原因; 当校园能源用量的预测的误差不在允许范围内时, 重新收集前端
实时用能数据和环境信息, 重新建立BP神经网络模型, 并采用粒子群算法优化所述BP神经
网络模型。
6.根据权利要求5所述的基于人工智能技术的校园能效与电气安全管理方法, 其特征
在于, 所述预测误差估计模型, 具体为:
S221: 将采用粒子群算法优化后的BP神经网络模型的预测数据结果sf与历史用能数据
sq进行对比, 计算不同时间段内的实际平均用能sq‑、 用能实际波动系数Sqa以及用能预测值
波动系数Sqf:
n表示预测数据结果sf与历史用能数据sq的个数;
S222: 计算预测误差估计EMAE:
EMAE=β0+β1Sqa+β2Sqf+β3Sq‑
式中, β0为常数项系数, β1‑β3为对应变量的相关系数;
S223: 利用Regress函数进行多元线性 回归分析并计算得出相关系数β0、 β1、 β2、 β3的值,
计算置信区间估计值
和
式中,
分别为 β0的下限和上限,
分别为 β1的下限和上限,
分别为β2的下限和上限,
分别为β3的下限和上限;
S224: 得出用能数据预测值的上限
和下限
7.根据权利要求6所述的基于人工智能技术的校园能效与电气安全管理方法, 其特征
在于, 还包括步骤S 5: 通过步骤S2储存的历史用能数据计算能耗指标, 并采用线性拟合方法
获取校园内不同区域用能系统的能耗模式, 拟合出用能系统设备 的能耗占比方程, 可视化
耗能设备的节能比例。
8.根据权利要求7所述的基于人工智能技术的校园能效与电气安全管理方法, 其特征权 利 要 求 书 2/4 页
3
CN 114239972 A
3
专利 基于人工智能技术的校园能效与电气安全管理方法和系统
文档预览
中文文档
17 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共17页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-19 02:08:32上传分享